R-miss-tastic：缺失值方法与工作流的统一平台

在处理数据时，缺失值是不可避免的。随着来自不同来源的数据变得可用，其出现愈发加剧。然而，大多数统计模型和可视化方法需要完整数据，而对缺失数据的不当处理会导致信息丢失或分析偏差。自 Rubin (1976) 的开创性工作以来，关于缺失值的文献蓬勃发展，其目标和动机各异。这导致了各种方法、形式化与工具的发展。但对从业者而言，决定哪种方法最适合其问题仍然具有挑战性，部分原因是统计学或数据科学课程中缺乏对该主题的系统覆盖。为应对这一挑战，我们推出了“R-miss-tastic”平台，旨在提供标准缺失值问题、方法及相关方法实现的概览。除收集和组织大部分缺失数据资料（文献、课程、教程、实现）外，“R-miss-tastic”还涵盖标准化分析工作流的开发。事实上，我们已在 R 和 Python 中开发了若干流水线，以便在不同统计任务（如矩阵补全、估计与预测）中对缺失值处理进行实操演示与建议，同时确保分析的可复现性。最后，该平台面向分析不完整数据的用户、希望比较其方法并查找最新文献的研究者，以及寻找教学材料（笔记本、视频、幻灯片）的教师。